Deep Learning assisted Port-Cycling based Channel Sounding for Precoder Estimation in Massive MIMO Arrays

기술 요약: Massive MIMO 어레이에서의 프리코더 추정을 위한 딥러닝 보조 포트 사이클링 기반 채널 사운딩

문제 정의
미래의 6G 무선 시스템은 현재의 규격보다 훨씬 더 많은 수의 송신 포트를 활용할 것으로 예상됩니다. 이는 스펙트럼 효율성을 높여주지만, 시간-주파수 그리드 전체에 걸쳐 참조 신호(CSI-RS)를 전송하는 데 상당한 자원 오버헤드를 발생시켜 궁극적으로 달성 가능한 데이터 처리량을 감소시킵니다. CsiNet과 같은 CSI 피드백을 위한 기존의 AI/ML 접근 방식은 주로 피드백 압축이나 시간적 외삽(extrapolation)을 다루며, 대규모 안테나 사운딩으로 인한 순간적인 오버헤드를 완화하지는 못합니다. 또한, 사이트 특정 정보(예: 이미지)에 의존하는 기존의 환경 기반 예측 방법은 일반화 능력이 부족합니다. 본 연구가 다루는 핵심 과제는 현재의 표준 준수 전송 방식과의 호환성을 유지하면서 채널 관측 가능성을 보존하고, Massive MIMO 시스템에서 순간적인 공간 오버헤드를 줄이는 것입니다.

방법론
제안된 솔루션은 새로운 채널 사운딩 전략과 딥러닝(DL) 프레임워크를 통합합니다:

1. 포트 사이클링 메커니즘 (Port-Cycling Mechanism): 모든 안테나 포트를 동시에 활성화하는 대신, 균일 평면 어레이(UPA)를 중첩되지 않는 서브 패널(sub-panels)로 분할합니다. 이 서브 패널들은 여러 시간 인스턴스(사이클)에 걸쳐 순차적으로 사운딩됩니다. 이는 전체 어레이가 시간 경과에 따라 커버되도록 보장하면서, 공간 감소 계수 $\rho$만큼 활성 포트의 수를 즉각적으로 줄여줍니다. 이 접근 방식의 타당성은 사이클링 기간 동안 빔 관련 양(빔셋 및 주요 빔 인덱스)의 시간적 일관성에 기초하며, 저자들은 이를 변동 점수 분석(variation score analysis)을 통해 검증했습니다.
2. CsiAdaNet 모델: CsiAdaNet이라 명명된 딥러닝 모델이 사용자 단말(UE)에 배치되어, 시간적으로 집계된 희소 포트 사이클링 측정값으로부터 전체 포트 CSI를 재구성합니다. 이 모델은 5G NR에서 정의된 양자화된 Type-II 프리코더 파라미터를 예측하기 위해 계층적으로 작동합니다:
   • 입력: 서로 다른 시간 단계에서 사운딩된 서브 어레이에 대응하는 $\rho$개의 CSI 텐서 시퀀스.
   • 아키텍처: 모델은 각 서브 어레이의 공간-주파수 특징을 추출하기 위해 3D 컨볼루션 레이어를 사용하는 공유 인코더 모듈을 채택합니다. GRU(Gated Recurrent Unit)는 인코딩된 특징의 시퀀스를 처리하여 시간적 상관관계를 포착합니다.
   • 출력 헤드 (Output Heads): 집계된 표현은 네 개의 작업별 헤드로 전달됩니다:
     • Beam Set Head: 오버샘플링된 빔셋 인덱스를 예측합니다.
     • Beam Indices Head: 선택된 세트 내의 상위 $L$개 직교 빔 인덱스를 예측합니다.
     • Wideband Amplitude Head: 양자화된 진폭 레벨을 예측합니다.
     • Wideband Phase Head: 양자화된 위상 레벨을 예측합니다.
   • 학습: 모델은 가중치가 부여된 멀티태스크 희소 범주형 교차 엔트로피 손실(weighted multi-task sparse categorical cross-entropy loss)을 사용하여 학습되며, 프리코더 구성 시의 오류 전파를 최소화하기 위해 빔 인덱스에 더 높은 가중치를 할당합니다.

주요 기여
본 논문은 세 가지 주요 기여를 설명합니다:

1. 포트 사이클링 사운딩 기술: 서브 패널을 순차적으로 활성화함으로써 Massive MIMO의 순간적인 공간 오서헤드를 줄이고, 시간 경과에 따른 전체 어레이 관측 가능성을 보존하는 방법입니다.
2. CsiAdaNet 아키텍처: 전체 포트의 즉각적인 CSI 없이도, 시간적으로 집계된 포트 사이클링 측정값으로부터 Type-II 프리코더 양(빔셋, 인덱스, 진폭, 위상)을 직접 예측할 수 있는 딥러닝 모델입니다.
3. 링크 레벨 검증: 3GPP 표준을 준수하는 시뮬레이션 환경에서 제안된 방식의 성능을 입증하여, 기존 방식 대비 최적에 가까운 성능을 보여주었습니다.

시뮬레이션 결과
저자들은 128개 안테나 기지국(BS)과 4개 안테나 사용자 단말(UE)을 갖춘 UMa(Urban Macro) LOS(Line-of-Sight) 시나리오 하에서 3GPP 표준 준수 링크 레벨 시뮬레이터를 사용하여 시스템을 평가했습니다. 주요 결과는 다음과 같습니다:

• 프리코더 정렬 (Precoder Alignment): CsiAdaNet 방식은 모든 SNR 레벨에서 전통적인 베이스라인(전체 포트 사운딩)과 밀접하게 일치합니다. 제곱 일반화 코사인 유사도(SGCS)는 낮은 SNR에서 0.2 미만에서 시작하여 중간-높은 SNR에서 약 0.7까지 증가합니다.
• 빔포밍 이득 (Beamforming Gain): CsiAdaNet을 통해 얻은 이득은 전통적인 베이스라인과 매우 유사하며, 높은 SNR에서 차이가 미미합니다 ($\approx 0.03$ 이내).
• 구성 요소 정확도:
  • Beamset 예측: 거친 공간 해상도 덕분에 중간 SNR에서도 매우 신뢰할 수 있습니다.
  • Beam Indices: 미세한 각도 민감도를 반영하여 SNR에 따라 점진적으로 개선됩니다.
  • 진폭 및 위상: 둘 다 중간-높은 SNR에서 높은 정확도를 보이지만, 위상 예측은 낮은 SNR에서 더 까다로운 것으로 나타납니다.
• 복잡도: $O(N_t^3)$ 복잡도를 갖는 전체 공분산 행렬의 고유값 분해(EVD)를 요구하는 기존 방식과 달리, CsiAdaNet은 $O(\rho D^2)$ 복잡도로 서브 패널 관측값에 대한 추론을 수행하므로 대규모 어레이에 대해 향상된 확장성을 제공합니다.

의의 및 주장
본 논문은 이 연구가 미래 6G 시스템에서 신뢰할 수 있는 CSI 획득을 위한 실행 가능한 조력자가 될 것임을 주장합니다. $\rho$ 인자만큼 매 순간 활성 포트 수를 줄임으로써, 본 방법은 장기적인 채널 관측 가능성을 희생하지 않으면서도 순간적인 오버헤드와 RF 체인 사용량을 크게 낮춥니다. 저자들은 제안된 딥러닝 보조 프레임워크가 노이즈가 많은 영역에서는 약간의 성능 저하만 보이며, 중간에서 높은 SNR 레벨에서 최적에 가까운 빔 정렬 및 빔포밍 이득을 달달성한다고 주장합니다. 이 접근 방식은 대규모 MIMO 시스템의 높은 오버헤드와 참조 신호 전송의 실제적 제약 사이의 간극을 메우며, 차세대 대규모 MIMO 시스템을 위한 확장 가능하고 에너지 효율적인 CSI 획득의 핵심 설계 고려 사항을 강조합니다.